Procesamiento de datos

Unidad 2

Introducción


La manipulación de datos agrupa todas las tareas necesarias para la gestión de las variables:

  • su transformación,
  • la creación de nuevas variables,
  • los cambios de escala,
  • el formateo de categorías,
  • el filtro de algunas observaciones, etc.,
  • es decir, todo aquello que debamos hacer con los datos antes o durante el analisis.

Paquete dplyr

  • dplyr es el paquete para transformar datos que pertenece al ecosistema tidyverse

  • Implementa una gramática “humana”

  • Está constituido por funciones definidas como “verbos”

  • Las funciones primarias son: select(), filter(), arrange(), mutate() y summarise()

  • Otras funciones útiles son: rename(), group_by(), count(), if_else(), case_when(), beteewn(), across(), rowwise(), etc.

select()


La función select() del inglés seleccionar, sirve para seleccionar variables (columnas) de una tabla de datos.

select(datos, a, c)  

datos |> select(a, c)

Ayudantes de selección

Además existe un abanico de funciones que ayudan a una mejor selección de nombres de variables.

  • everything(): coincide con todas las variables.

  • group_cols(): seleccione todas las columnas de agrupación.

  • starts_with(): comienza con un prefijo.

  • ends_with(): termina con un sufijo.

  • contains(): contiene una cadena literal.

  • matches(): coincide con una expresión regular.

  • num_range(): coincide con un rango numérico como x01, x02, x03.

  • all_of(): coincide con nombres de variables en un vector de caracteres.

  • any_of(): igual que all_of(), excepto que no se genera ningún error para los nombres que no existen.

  • where(): aplica una función a todas las variables y selecciona aquellas para las cuales la función regresa TRUE.

Ejemplo de select()


  [1] "Anio"              "Escuela"           "F1_FNac"          
  [4] "F2_Edad"           "F3_Sexo"           "F4_Abuelos"       
  [7] "F4_Hermanos"       "F4_Madrastra"      "F4_Madre"         
 [10] "F4_Otros"          "F4_Padrastro"      "F4_Padre"         
 [13] "F5_Amigo"          "F5_Familiar"       "F5_Nadie"         
 [16] "F5_Novio"          "F5_Otro"           "F5_Profesional"   
 [19] "F6_amigos"         "F7_Acompaniado"    "F8_novio"         
 [22] "F9_CuantoTiempo"   "FKEY"              "GlobalRecordId"   
 [25] "H1_Alcohol"        "H1_Bblancas"       "H1_Cerveza"       
 [28] "H1_CuantosDias"    "H1_CuantosVasos"   "H1_Fernet"        
 [31] "H1_Otra"           "H1_Vino"           "H2_Cigarrillos"   
 [34] "H2_Cuantos"        "H3_Cuantos"        "H3_Marihuana"     
 [37] "H4_Cual"           "H4_OtraDroga"      "H5_HoraDormir"    
 [40] "H6_Almuerzo"       "H6_Cena"           "H6_Desayuno"      
 [43] "H6_Merienda"       "H6_Motivado"       "H6A_Calle"        
 [46] "H6A_Casa"          "H6A_ConQuien"      "H6A_Escuela"      
 [49] "H6C_Calle"         "H6C_Casa"          "H6C_ConQuien"     
 [52] "H6C_Escuela"       "H6D_Calle"         "H6D_Casa"         
 [55] "H6D_ConQuien"      "H6M_Calle"         "H6M_Casa"         
 [58] "H6M_ConQuien"      "H6M_Escuela"       "HD6_Escuela"      
 [61] "S1_ControlSalud"   "S2_Cual"           "S2_ECronica"      
 [64] "S3_Anticonceptivo" "S3_Cual"           "S3_Edad"          
 [67] "S3_EdadPareja"     "S3_Relaciones"     "S4_CoitoI"        
 [70] "S4_Cual"           "S4_DiaDespues"     "S4_DIU"           
 [73] "S4_Inyecciones"    "S4_Ninguno"        "S4_Otro"          
 [76] "S4_Pastillas"      "S4_Perodo"         "S4_Preservativos" 
 [79] "S5_Embarazo"       "S6_Hijos"          "SYSTEMDATE"       
 [82] "T1_Artemarcial"    "T1_Bailar"         "T1_Basket"        
 [85] "T1_Correr"         "T1_Deporte"        "T1_Futbol"        
 [88] "T1_Gimnasio"       "T1_Hockey"         "T1_Natacion"      
 [91] "T1_Rugby"          "T1_Skate"          "T1_Surf"          
 [94] "T1_Tenis"          "T1_Veces"          "T1_Voley"         
 [97] "T2_Amigos"         "T2_Calle"          "T2_Casas"         
[100] "T2_Centro"         "T2_Club"           "T2_Otros"         
[103] "T2_Plaza"          "T3_Bailar"         "T3_Matinee"       
[106] "T3_Noche"          "T4_Compu"          "T4_Leer"          
[109] "T4_Libros"         "T4_Revistas"       "T5_Conectas"      
[112] "T5_Redes"          "T6_Consiste"       "T6_Empleo"        
[115] "T6_Horas"          "T7_Cual"           "T7_Iglesia"       
[118] "T7_Religion"       "Turno"             "V1_Alegre"        
[121] "V1_Enojado"        "V1_Nervioso"       "V1_Preocupado"    
[124] "V1_Solo"           "V1_Tranquilo"      "V1_Triste"        
[127] "V2_SentisEscuela"  "V3_Casa"           "V3_Escuela"       
[130] "V3_Pareja"         "V3_Violencia"      "V4_Futuro"        
[133] "V5_Cuales"         "V5_Derechos"       "V5_Drogas"        
[136] "V5_Habitos"        "V5_Otros"          "V5_Ssexual"       
[139] "V5_Violencia"      "UniqueKey"        
# seleccionamos solo variables que comienzan con "F5" 
datos |> 
  select(starts_with("F5")) |> names()
[1] "F5_Amigo"       "F5_Familiar"    "F5_Nadie"       "F5_Novio"      
[5] "F5_Otro"        "F5_Profesional"

rename()


La función rename() posibilita renombrar a las variables de una tabla de datos.

La estructura básica es:

rename(datos, new_name = old_name)  

datos |> rename(new_name = old_name)

La variación rename_with() permite renombrar variables de una tabla a través de aplicar determinadas funciones.

La estructura básica de esta función es:

rename_with(datos, función, variables)  

datos |> rename_with(función, variables)

Ejemplo de rename() y rename_with()


# renombramos F2_Edad por EDAD

datos |> 
  rename(EDAD = F2_Edad) 
[1] "EDAD"
# renombramos el grupo de variables que comienza con F5 
# por sus nombres en minúsculas

datos |> 
  rename_with(.fn = tolower, .cols = starts_with("F5")) 
[1] "f5_amigo"       "f5_familiar"    "f5_nadie"       "f5_novio"      
[5] "f5_otro"        "f5_profesional"

filter()


La función filter() del inglés filtrar, sirve para filtrar un subconjunto de observaciones (filas) de una tabla de datos a partir de una condición.

Para construir la condición se utilizan una serie de operadores de comparación y operadores lógicos similares a la de otros lenguajes de programación.

La estructura de la función puede ser cualquiera de las siguientes:


filter(datos, condición)

datos |> filter(condición)

Operadores de comparación


Operadores lógicos (booleanos)


Operadores lógicos (booleanos)


Ejemplo de filter()


# filtramos observaciones que cumplan con la siguiente condición
datos |> 
  filter(F3_Sexo == 1, 
         between(F2_Edad, 17, 20), 
         H1_Cerveza == TRUE | H1_Vino == TRUE) |> 
  select(F3_Sexo, F2_Edad, H1_Cerveza, H1_Vino)
# A tibble: 23 × 4
   F3_Sexo F2_Edad H1_Cerveza H1_Vino
     <dbl>   <dbl> <lgl>      <lgl>  
 1       1      18 TRUE       FALSE  
 2       1      17 TRUE       TRUE   
 3       1      18 TRUE       FALSE  
 4       1      17 TRUE       TRUE   
 5       1      17 FALSE      TRUE   
 6       1      19 TRUE       TRUE   
 7       1      18 TRUE       TRUE   
 8       1      17 TRUE       TRUE   
 9       1      18 TRUE       TRUE   
10       1      18 TRUE       TRUE   
# ℹ 13 more rows

arrange()


La función arrange() del inglés ordenar, sirve para ordenar observaciones de una tabla de datos a partir de una o más variables (columnas).


arrange(datos, var1, var2, ...)   

datos |> arrange(var1, var2, ...) 

arrange()


El ordenamiento predeterminado es ascendente.

Si la variable contiene números, las filas se van a ordenar ubicando esos números de menor a mayor (1,2,3…). Si es texto, las filas se van a ordenar ubicando las palabras alfabéticamente en forma ascendente (a,b,c…).

Si deseamos invertir el orden debemos incorporar la función desc() dentro de arrange().


datos |> arrange(var1)  # ascendente

datos |> arrange(desc(var1)) # descendente

mutate()


La función mutate() del inglés mutar o transformar, sirve para crear nuevas variables, a partir de los valores de otras variables, dentro de la tabla de datos.

La o las nuevas variables creadas se incorporan al final de las columnas del conjunto de datos.

Dentro de los argumentos de mutate() se aplican funciones vectorizadas, lo que significa que la función toma un vector de valores como entrada y devuelve el mismo número de valores como salida.


datos |> mutate(nueva_var = operación/función)

mutate()


Algunas de las operaciones y funciones vectorizadas provistas por el lenguaje R son:

  • Operadores aritméticos - +, -, *, /, ^

  • Aritmética modular - %/% - %%

  • Transformación - escala - log() - log2() - log10() - exp() - sqrt()

  • Comparaciones - >, >=, <, <=, ==, !=

  • Atrasos/adelantos - lag() - lead()

  • Ordenamiento - min_rank() - percent_rank(), etc…

  • Acumulativos - cumsum() - cummean() - etc…

  • Condicional - if_else() - case_when().

Ejemplo de mutate()


Coercionamos la variable aplicando dmy() y as_date()

datos |> select(F1_FNac)
# A tibble: 1,252 × 1
   F1_FNac           
   <chr>             
 1 29/3/1999 00:00:00
 2 27/2/2003 00:00:00
 3 15/3/2000 00:00:00
 4 13/8/2001 00:00:00
 5 13/8/1998 00:00:00
 6 29/3/2001 00:00:00
 7 <NA>              
 8 20/4/1997 00:00:00
 9 17/1/2001 00:00:00
10 27/8/2002 00:00:00
# ℹ 1,242 more rows
datos |> 
  mutate(F1_FNac = dmy_hms(F1_FNac),
         F1_FNac = as_date(F1_FNac)) |> 
  select(F1_FNac)
# A tibble: 1,252 × 1
   F1_FNac   
   <date>    
 1 1999-03-29
 2 2003-02-27
 3 2000-03-15
 4 2001-08-13
 5 1998-08-13
 6 2001-03-29
 7 NA        
 8 1997-04-20
 9 2001-01-17
10 2002-08-27
# ℹ 1,242 more rows

summarise()


La función summarise() del inglés resumir, se utiliza justamente para resumir las observaciones de una tabla de datos mediante alguna medida resumen.

Otra forma de escribir la función es summarize(). Ambas realizan la misma operación.


datos |> summarise(var_resumen = función_resumen)

datos |> summarize(var_resumen = función_resumen)

summarise()


Algunas de las funciones resumen provistas por el lenguaje R son:

  • tendencia central - mean() - median()

  • posición - min() - max() - quantile()

  • dispersión - var() - sd() - IQR()

  • conteo - n() - n_distinct()

  • orden - first() - last()

La mayoría de estas funciones aplican en tipos de datos int (enteros), dbl (reales), date (fecha) y ddtm (fecha - hora).

Ejemplo de summarise()



# Resumimos la variable F2_Edad calculando media, 
# desvío estandar, mínimo y máximo

datos |> 
  summarise(Media = mean(F2_Edad, na.rm = T),
            Desvio = sd(F2_Edad, na.rm = T),
            Min = min(F2_Edad, na.rm = T),
            Max = max(F2_Edad, na.rm = T)) 
# A tibble: 1 × 4
  Media Desvio   Min   Max
  <dbl>  <dbl> <dbl> <dbl>
1  14.5   1.46    10    19

group_by()


La función group_by() del inglés agrupar por, sirve para agrupar a partir de valores o categorías distintas.

Aplicado sólo no produce ningún resultado interesante, por eso está pensando para usarlo principalmente asociado a summarise().


datos |> group_by(variable)


Junto a esta función aparece ungroup() que deshace el agrupamiento.


datos |> ungroup()

Ejemplo de group_by()

# Resumimos la variable F2_Edad según Anio 
# calculando media, desvío estandar, mínimo y máximo

datos |> 
  group_by(Anio) |> 
  summarise(Media = mean(F2_Edad, na.rm = T),
            Desvio = sd(F2_Edad, na.rm = T),
            Min = min(F2_Edad, na.rm = T),
            Max = max(F2_Edad, na.rm = T)) 
# A tibble: 2 × 5
  Anio  Media Desvio   Min   Max
  <chr> <dbl>  <dbl> <dbl> <dbl>
1 2do.   13.7   1.03    10    18
2 4to.   15.8   1.06    13    19

Agrupamiento en summarise()


El agrupamiento o estratificación producido por group_by() es permanente mientras no desagrupemos y esto a veces ocasiona problemas.


En la última versión de dplyr se agregó un argumento en summarise() para lograr agrupamientos temporales, donde no hace falta desagrupar posteriomente al resultado.


datos |> summarise(.by = variable_grupo)

Ejemplo con .by en summarise()

# Resumimos la variable F2_Edad según Anio con .by
# calculando media, desvío estandar, mínimo y máximo

datos |> 
  summarise(Media = mean(F2_Edad, na.rm = T),
            Desvio = sd(F2_Edad, na.rm = T),
            Min = min(F2_Edad, na.rm = T),
            Max = max(F2_Edad, na.rm = T),
            .by = Anio) 
# A tibble: 2 × 5
  Anio  Media Desvio   Min   Max
  <chr> <dbl>  <dbl> <dbl> <dbl>
1 4to.   15.8   1.06    13    19
2 2do.   13.7   1.03    10    18

count()


La función count() del inglés contar, sirve para contabilizar categorías o valores diferentes de variables resumiendo los datos en una tabla de frecuencia.

Reconoce y también contabiliza los valores NA de las variables.

datos |> count(variable)

Tiene algunos argumentos opcionales como:

  • name (nombre de la variable que contabiliza - por defecto se llama n)
  • sort (si es TRUE se ordena de mayor a menor)
  • wt (variable peso / ponderación / expansión opcional)

También se pueden agregar más variables separadas por una coma.

Ejemplo de count()


# Contamos las frecuencias de la variable Anio
# ordenadas de mayor a menor

datos |> 
  count(Anio, sort = T)
# A tibble: 2 × 2
  Anio      n
  <chr> <int>
1 2do.    750
2 4to.    502

if_else()


La función if_else() devuelve valores dependiendo del resultado de una condición lógica (TRUE/FALSE).

Los valores devueltos para cada observación se almacenan dentro de una variable definida en mutate().


datos |> 
  mutate(x = if_else(condicion, valor_T, valor_F))

Ejemplo de if_else()

datos |> 
  summarise(Mediana_edad = median(F2_Edad, na.rm = T))
# A tibble: 1 × 1
  Mediana_edad
         <dbl>
1           14
# dividimos en dos grupos según la mediana de edad
datos |> 
  mutate(Grupo_edad = if_else(F2_Edad <= 14, "<= 14", "> 14")) |>
  count(Grupo_edad) 
# A tibble: 3 × 2
  Grupo_edad     n
  <chr>      <int>
1 <= 14        597
2 > 14         583
3 <NA>          72

case_when()


La función case_when() ejecuta una vectorización múltiple de funciones if_else().

Los valores devueltos para cada observación se almacenan dentro de una variable definida en mutate().


datos |> 
  mutate(x = case_when(
    condicion ~ valor_T, 
    ...,
    .default = valor))

Ejemplo de case_when()

# etiquetamos la variable V1_Alegre
datos |> 
  mutate(V1_Alegre = case_when(
    V1_Alegre == 0 ~ "Nada",
    V1_Alegre == 1 ~ "Poco",
    V1_Alegre == 2 ~ "Neutral",
    V1_Alegre == 3 ~ "Muy",
    V1_Alegre == 4 ~ "Totalmente",
    .default = "Ns/Nc"
  )) |> 
  count(V1_Alegre, sort = T)
# A tibble: 6 × 2
  V1_Alegre      n
  <chr>      <int>
1 Totalmente   452
2 Muy          256
3 Neutral      249
4 Ns/Nc        171
5 Poco          80
6 Nada          44

between()


La función between() es una función atajo para operaciones de condición >= x <= , implementado para vectores numéricos o de fecha/hora.

Se utiliza dentro de estructuras donde se escriben condiciones (filter(), mutate(), etc).


datos |> filter(between(x, izquierda, derecha)) 


Los dos extremos (izquierda y derecha) se incluyen en el intervalo

Ejemplo de between()


# filtramos observaciones donde la variable F2_Edad sea mayor 
# o igual a 16 y menor o igual 18 años

datos |> 
 filter(between(F2_Edad, 16, 18)) |> 
  count(F2_Edad)
# A tibble: 3 × 2
  F2_Edad     n
    <dbl> <int>
1      16   153
2      17    95
3      18    29

Uniones en datos relacionales


Existen situaciones donde debemos analizar datos que se encuentran en diferentes tablas.

Con el fin de responder a nuestras preguntas de interés en ocasiones deberemos unirlas previamente.

De manera general, se le llama datos relacionales a esas múltiples tablas de datos que provienen muchas veces de sistemas de bases de datos construidas bajo el modelo relacional o bien cuando las tablas de datos tienen fuentes distintas pero comparten alguna variable común que permita “conectarlas”.

Tipos de operaciones


Para trabajar con datos relacionales necesitamos de funciones-verbos que vinculen pares de tablas.

Las tres familias de funciones del paquete dplyr diseñadas para trabajar con datos relacionales son:

  • Uniones de transformación (del inglés mutating joins), agregan nuevas variables a una tabla a partir de observaciones coincidentes de otra tabla.

  • Uniones de filtro (del inglés filtering joins), filtran observaciones de una tabla en función de la coincidencia o no coincidencia de otra tabla.

  • Operaciones en filas y columnas, sirven para unir tablas por columnas o por filas.

Claves


  • Las variables usadas para conectar cada par de variables se llaman claves (del inglés key)

  • Una clave es una variable (o un conjunto de variables) que identifican de manera única una observación.

Existen dos tipos de claves:

  • Una clave primaria identifica únicamente una observación en su propia tabla.

  • Una clave foránea únicamente identifica una observación en otra tabla.

Uniones de transformación


Unión interior

La forma más simple de unión es la unión interior (del inglés inner join). Una unión interior une pares de observaciones siempre que sus claves sean iguales

Unión interior

Una unión interior mantiene las observaciones que aparecen en ambas tablas.

Función inner_join()

Uniones de transformación


Uniones exteriores


Una unión exterior mantiene las observaciones que aparecen en al menos una de las tablas.

  • Una unión izquierda (left join) mantiene todas las observaciones en x.


  • Una unión derecha (right join) mantiene todas las observaciones en y.


  • Una unión completa (full join) mantiene todas las observaciones en x e y.

Uniones exteriores


Función full_join()

Uniones exteriores


Función left_join()

Uniones exteriores


Función right_join()

Uniones de transformación

Otra forma de ilustrar diferentes tipos de uniones es mediante un diagrama de Venn.

Sin embargo, tiene una limitante importante: un diagrama de Venn no puede mostrar qué ocurre con las claves que no identifican de manera única una observación

Claves duplicadas


Hasta ahora todas las situaciones han asumido que las claves son únicas. Pero esto no siempre es así.

Existen dos posibilidades habituales:

  • Una tabla tiene claves duplicadas producto de una relación uno a varios.

  • Ambas tablas tienen claves duplicadas

Siempre que unimos claves duplicadas, obtenemos todas las posibles combinaciones, es decir, el producto cartesiano

Claves duplicadas

Ejemplo con left_join()

Uniones de filtro


semi_join()

Mantiene todas las observaciones de la tabla x donde la clave coincide con la clave de la tabla y

Uniones de filtro


anti_join()

Descarta todas las observaciones de la tabla x donde la clave coincide con la clave de la tabla y

Consejos útiles para evitar errores


  • Identificar bien la variables que forman las claves de cada tabla.

  • Verificar la completitud de las claves. Si existe algún valor faltante no se podrá identificar la observación.

  • Verificar que las claves foráneas coinciden con las claves primarias de la otra tabla. Esto incluye comprobar coincidencia en el tipo de dato (numérico, caracter, etc)

  • Verificar claves duplicadas (se puede hacer aplicando count())

Unión por filas y por columnas

En algunas ocasiones necesitamos unir tablas que tienen formatos particulares por medio de filas o por medio de columnas.

Las funciones de dplyr para esta tarea son:

  • bind_rows() Une una tabla debajo de otra. Aplica cuando tenemos la misma estructura en tabla de datos divida en varios archivos (por ejemplo, producto de carga simultánea de datos en diferentes computadoras con diferentes data entry)

  • bind_cols() Une una tabla al lado de la otra. Es peligroso su uso si la confundimos con las uniones de transformación porque perdemos integridad de datos en las observaciones. Sirve sólo si el “orden” de las observaciones pueden garantizar la misma identidad de las partes a unir.

Datos ordenados (tidydata)


Llamamos tidy data o “datos ordenados” cuando:

  • Cada variable está en una columna
  • Cada observación está en una fila
  • Cada celda del cruce entre una columna y una fila es un valor
  • Cada tabla pertenece a una unidad de observación

Problemas comunes


  • Una variable se extiende por varias columnas.

  • Una observación está dispersa entre múltiples filas

Solución:

Usamos funciones pivot del paquete tidyr de tidyverse

  • Función pivot_longer() - Convierte nombres de variables en valores de una nueva variable.

  • Función pivot_wider() - Convierte valores de una variable en variables nuevas.

Pivoteos

pivot_longer()


  • Soluciona cuando una variable se extiende por varias columnas (las categorías estan en la cabecera).

  • Produce tablas “alargando” los datos, aumentando el número de filas y disminuyendo el número de columnas

datos |> 
  pivot_longer(
    cols = <seleccion de columnas>,
    names_to = "variable_categorías",
    values_to = "variable_valores"
  )

pivot_wider()


  • Soluciona cuando una observación está dispersa entre múltiples filas.

  • Produce tablas “estirando” los datos, aumentando el número de columnas y disminuyendo el número de filas.

datos |> 
  pivot_wider(
    names_from = variable_nombres,
    values_from = variable_valores
  )

Documentación


Capítulo 3, 5 y 19 del libro “R for Data Science (2e)”